EBSD（电子背散射衍射）花样实时标定

最新推荐文章于 2023-12-04 16:32:11 发布

Allenkx

最新推荐文章于 2023-12-04 16:32:11 发布

阅读量215

点赞数

文章标签：科研

原文链接：https://www.shiyanjia.com/knowledge/articleinfo-1827.html

版权

在过去的近三十年中，扫描电子显微镜（SEM）中的电子背散射衍射（EBSD）已成为研究材料晶粒取向和织构最常用的微结构表征技术之一。在此领域中，高速检测器（相对较低的显微镜加速电压）的开发、图案分辨率的改进，自动标定方法、甚至是3D 表征方面已经取得了长足进步。商业软件中的自动化标定包括两个步骤：首先，通过霍夫变换确定所有菊池带的位置；第二，基于（已知）晶体结构进行角度计算并查表比较，最终确定晶粒取向。尽管霍夫变换方法与快速灵敏的检测器相结合，能够实现每秒数千个图案的高效、准确标定，但是众所周知，标定能力会随着图案质量的下降而迅速衰减。对于变形的材料或弱散射的晶体结构，这种情况尤为严重。

来自卡内基梅隆大学Z. Ding，E. Pascal，M. De Graef等人的最新研究提出了一个新的EBSD卷积神经网络（EBSD-CNN，convolutional neural network），解决了CNN在用于这一领域时存在的一些问题，其最终目标是实现实时准确的EBSD花样标定。相关论文以题为“Indexing of electron back-scatter diffraction patterns using a convolutional neural network”发表在金属材料领域顶尖期刊Acta Materialia上。

论文链接：

https://doi.org/10.1016/j.actamat.2020.08.046

EBSD（电子背散射衍射）花样实时标定

论文链接：

https://doi.org/10.1016/j.actamat.2020.08.046

基于霍夫变换的标定（HI）技术仅使用了EBSD花样中包含的一部分信息，而dictionary indexing approach（DI）和spherical indexing algorithm（SI）已经清楚地表明，可以通过考虑完整的衍射图样而不仅仅是菊池带的位置来进行改进。

深度学习模型利用多层结构来处理和提取各种来源的特征，包括文本，语音和模式等，在各个领域产生了深刻影响。其中，卷积神经网络或CNN，已在视觉任务处理中取得了广泛的成功，在图像分类问题中尤为有效。在深度学习兴起的过程中，除了GPU的利用和更大的训练数据集之外，网络体系结构和功能多样性也逐渐丰富。在材料科学中，越来越多的CNN实际应用正在涌现。神经网络在EBSD花样上的应用可以追溯到2003年，当时Schwarzer和Sukkau使用完全连接的层来验证检测到的菊池带。最近，在使用EBSD花样作为输入的情况下，可以使用CNN方法预测更多的材料性能。

在这一研究中，提出了一个新的EBSD卷积神经网络（EBSD-CNN），该网络的特点包括：

1．基于Google X ception的深度结构提取特征；

2．引入Residual Blocks以解决梯度消失问题；

3．使用2D可分离卷积来减小模型大小；

4．EBSD花样预处理；

5．使用Unit Quaternions进行方向预测；

6．使用取向差角作为Loss Function。

EBSD-CNN的架构

文章还对训练后的EBSD-CNN进行了标定精度、抗噪能力的分析。主要结果如下列各图所示。结论是：EBSD-CNN与其他方法的标定结果差异在可接受的范围内。使用具有更大自由度的结构和更好的训练集，应该可以实现更高的精度。

总的来说，EBSD-CNN达到了合理的标定准确性。CNN不同层和中间输出的可视化结果表明，卷积层可以正确地从EBSD花样中提取特征。与其他公认的标定方法相比，这一模型并未显示出对噪声的强大鲁棒性。在数据集中包含泊松噪声可能会解决此问题。有了强大的、可负担的计算平台，标定速度能够满足足够快实时标定需求。（文：岳夏。）

科学指南针为您提供材料测试,主要业务范围包括XPS,普通XRD,透射电子显微镜TEM,全自动比表面及孔隙度分析BET等测试。

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。

更多科研干货教程，可以点击下面链接获取哦~

EBSD